import numpy as np
import pandas as pd

Load

df_data = pd.read_csv('./data/df_data_enriched.csv', encoding='utf-8')

All features

# All variables 
col2class = ['revenue', 'operatingIncome', 'revenue_means', 'operatingIncome_means', 
            'has_fundraisings', 'fundraisings_count', 'fundraisings_countCat',
            'fundraisings_amount',
            'categories_B2B', 'categories_B2C',
            'categories_international', 'categories_ecommerce', 
            'employees_means', 'employees',
            'has_patents', 'patents_count', 'patents_countCat', 'patents_categories',
            'SUIVI_BPI', 'RESEAU_BPI', 'Sourcing', 'CabinetConseil',
            'PFT', 'ILAB',
            'DeltaCreationTime', 'Duration', 'DurationCat',
            'TotalCost', 'RequestedEUContribution',
            'Results']

# All data
print("Number of projects:", df_data.shape[0], "\nNumber of features:", len(col2class))

# Non-missing values by columns
col2na = dict()
for col in col2class:
    col2na[col] = df_data[~df_data[col].isna()].shape[0]

print("\nFeatures and non-missing values count:\n", {k: v for k, v in sorted(col2na.items(), key=lambda item: item[1], reverse=True)})

Number of projects: 672 
Number of features: 30

Features and non-missing values count:
 {'has_fundraisings': 672, 'fundraisings_count': 672, 'fundraisings_countCat': 672, 'fundraisings_amount': 672, 'has_patents': 672, 'patents_count': 672, 'patents_countCat': 672, 'SUIVI_BPI': 672, 'DurationCat': 672, 'Results': 672, 'Duration': 671, 'TotalCost': 671, 'RequestedEUContribution': 671, 'categories_B2B': 661, 'categories_B2C': 661, 'categories_international': 661, 'categories_ecommerce': 661, 'DeltaCreationTime': 643, 'operatingIncome_means': 362, 'revenue_means': 356, 'employees_means': 254, 'operatingIncome': 231, 'revenue': 226, 'patents_categories': 226, 'employees': 154, 'CabinetConseil': 103, 'PFT': 103, 'ILAB': 103, 'RESEAU_BPI': 101, 'Sourcing': 88}

Filtering out missing values

# Select by minimal number of values
col2class_filt = [col for col in col2class if col2na[col]>300]
#col2class_filt = col2class
df_class = df_data[col2class_filt].dropna()

# Variables taken into account
print("Features left:\n", col2class_filt)

# Number of rows and columns left
print("Number of projects left:", df_class.shape[0], "\nNumber of features left:", df_class.shape[1])

Features left:
 ['revenue_means', 'operatingIncome_means', 'has_fundraisings', 'fundraisings_count', 'fundraisings_countCat', 'fundraisings_amount', 'categories_B2B', 'categories_B2C', 'categories_international', 'categories_ecommerce', 'has_patents', 'patents_count', 'patents_countCat', 'SUIVI_BPI', 'DeltaCreationTime', 'Duration', 'DurationCat', 'TotalCost', 'RequestedEUContribution', 'Results']
Number of projects left: 356 
Number of features left: 20

Classification model

### Classification model
from interpret import show
from interpret.data import ClassHistogram
from interpret.provider import InlineProvider
from interpret import set_visualize_provider

# Visualization with dashboards
set_visualize_provider(InlineProvider())

Data

# Data from before 2019 as a training set
train_index = df_class.index.isin(np.where(df_data.Date.values<20190101)[0])
X_train = df_class.loc[train_index, col2class_filt[:-1]].dropna()
y_train = df_class.loc[train_index, col2class_filt[-1]].dropna()
# Data from 2019 as a testing set
test_index = df_class.index.isin(np.where(df_data.Date.values>20181231)[0])
X_test = df_class.loc[test_index, col2class_filt[:-1]].dropna()
y_test = df_class.loc[test_index, col2class_filt[-1]].dropna()

Histogram

# Histogram
hist = ClassHistogram().explain_data(X_train, y_train, name = 'Train Data')
show(hist)

Global model

# Hyperparameters
params = {'n_estimators': 12,
          'holdout_size': 0.1, 
          'holdout_split': 0.1, 
          'early_stopping_tolerance': 1e-06, 
          'early_stopping_run_length': 40,
          'learning_rate': 0.01, 
          'training_step_episodes': 3,
          'max_tree_splits': 3, 
          'min_cases_for_splits': 1}

from interpret.glassbox import ExplainableBoostingClassifier
ebm = ExplainableBoostingClassifier(**params)
ebm.fit(X_train, y_train)   #Works on dataframes and numpy arrays

# Explain global model
ebm_global = ebm.explain_global(name='EBM') 
show(ebm_global)

Performance

# Performance ROC AUC
from interpret.perf import ROC
ebm_perf = ROC(ebm.predict_proba).explain_perf(X_test, y_test, name='EBM')
show(ebm_perf)

Financières	Générales	Innovation	BPI	Projet
Chiffre d’affaire	Description de l’entreprise	Brevets (Y/N)	Suivie par BPI	Date du Projet
Bénéfice	Catégorie de l’entreprise	Nombre de brevets	Réseau BPI (Régions)	Années depuis la création de l’entreprise
Chiffre d’affaire moyen	Nombre d’employés	Domaine principal des brevets	Sourcing	Titre du projet
Bénéfice moyen	Mots-clés dans l’URL		Cabinet de Conseil	Coût total du projet
Levée de fonds (Y/N)				Fonds demandés à l’UE
Nombre de levées de fonds (0/1/2+)
Montant cumulé des levées de fonds (0/1/2+)

Durée (en mois)	Proportions (en %)
24	66.37
Moins de 24	23.51
Plus de 24	10.12

Durée (en mois)	Proportion de Non Lauréats (en %)	Lauréats (en %)
Moins de 24	65.19	34.81
24	44.84	55.16
Plus de 24	45.59	54.41

Levées de fonds	Proportions (en %)
0	72.32
1	19.49
2+	8.18

Nombre de levées de fonds effectuées	Proportion de Non Lauréats (en %)	Lauréats (en %)
0	52.47	47.53
1	45.04	54.96
2+	36.36	63.64

[Programme Européen]

3 Sources de données

Données Suivi BPI

Données Concours Européen

Données Sidetrade

Hypothèses

Résultat Cible

Enrichissement et consolidation

Hypothèses:

Variables explicatives

Variables cibles

Analyse des variables de manière indépendante

Analyse des variables quantitatives

Analyse de la décision en fonction du chiffre d’affaire

Analyse de la décision en fonction du bénéfice courant

Analyse de la décision en fonction du montant du financement demandé à l’UE

Analyse de la décision en fonction de la durée annoncée du projet

Analyse de la décision en fonction du nombre de levées de fonds effectuées

Analyse de la décision en fonction du montant cumulé des levées de fonds

Analyse de la décision en fonction de nombre de brevets déposés

Analyse de la décision en fonction du nombre d’années d’expérience de l’entreprise

Analyse des variables catégorielles

Variables catégorielles

Etude des modalités

Variables catégorielles

Etude des modalités

Résumé des variables significatives, par étude indépendante

Analyse des variables textuelles

Hypothèse:

Analyse des Mots-clés incrustés dans l’URL du site internet

Analyse de la Description de l’entreprise

Analyse du Titre du projet

Modèle de classification

Performances

Montant Cumulé des levées de fonds (en M €)	Proportions (en %)
2.0	5.913978
1.0	5.376344
2.5	4.301075
1.2	3.763441
3.0	3.763441
1.5	2.688172

Nombre de brevets déposés	Proportion de Non Lauréats (en %)	Lauréats (en %)
0	52.91	47.09
1	41.86	58.14
2	41.30	58.70
3	33.33	66.67
4	59.09	40.91
5+	45.83	54.17

Variables	Modalité	Influence sur le Résultat
Bénéfice courant	Quantitative	Une valeur faible augmente les chances d’être récompensé
Montant du financement demandé à l’UE	Quantitative	Un montant élevé augmente les chances d’être récompensé
Durée annoncée	Quantitative	Une valeur supérieure ou égale à 24 mois augmente les chances d’être récompensé
Nombre de levées de fonds	Quantitative	Au moins 1 levée de fonds augmente les chances d’être récompensé
Montant cumulé des levées de fonds	Quantitative	Un montant élevé augmente les chances d’être récompensé
Sourcing	Entreprises	diminue les chances d’être récompensé
Brevets déposés	Oui	augmente les chances d’être récompensé
Entreprise	Ouverte au marché international	augmente les chances d’être récompensé

Nombre de brevets déposés	Proportions (en %)
0	66.369048
1	12.797619
2	6.845238
3	3.571429
4	3.273810
5+	7.142857